多伦多大学的论文《GameEngineBench》提出了针对游戏引擎开发的编码智能体基准测试，发现最强模型在真实C++编译下的通过率仅为55.5%。该测试涵盖110个复杂任务，强调现有评估标准无法反映大型C++项目的挑战，并指出智能体在跨模块开发中存在显著能力缺口。